基于尺度混合随机生成模型的贝叶斯推理肌电模式识别
信号处理
2021-08-11 v1 机器学习
机器学习
摘要
肌电图（EMG）因能反映人体运动意图，已被用作假手与信息设备的接口信号。尽管各种 EMG 分类方法已引入基于 EMG 的控制系统，但它们未充分考虑 EMG 信号的随机特性。本文提出一种融合基于尺度混合生成模型的 EMG 模式分类方法。尺度混合模型是一种随机 EMG 模型，其中 EMG 方差被视为随机变量，从而能够表示方差中的不确定性。本研究对该模型进行扩展并用于 EMG 模式分类。所提方法通过变分贝叶斯学习进行训练，从而可自动确定模型复杂度。此外，为以部分判别方式优化所提方法的超参数，引入了基于互信息的确定方法。仿真与 EMG 分析实验展示了所提方法超参数与分类精度之间的关系以及该方法的有效性。使用公开 EMG 数据集的比较表明，所提方法优于各种传统分类器。这些结果表明了所提方法的有效性及其在基于 EMG 的控制系统中的适用性。在 EMG 模式识别中，基于反映 EMG 信号随机特性的生成模型的分类器可优于传统通用分类器。
引用
@article{arxiv.2107.09853,
title = {EMG Pattern Recognition via Bayesian Inference with Scale Mixture-Based Stochastic Generative Models},
author = {Akira Furui and Takuya Igaue and Toshio Tsuji},
journal= {arXiv preprint arXiv:2107.09853},
year = {2021}
}
备注
This paper is accepted for publication in Expert Systems with Applications